概率论第四章ch4_3.pptVIP

前面我们介绍了随机变量的数学期望和方差，数学期望反映了随机变量在概率意义下的平均值，方差则反映了随机变量相对于其均值的离散程度，这对我们了解随机变量有一定的帮助，但对于二维随机变量(X,Y)，我们除了关心 X,Y 的期望和方差外，还希望知道 X,Y 之间的关系程度如何，在反映分量之间关系的数字特征中，最重要的就是本讲要讨论的协方差与相关系数。 协方差和相关系数 定义：对随机变量X 和Y，若下式存在，则称之为X 和Y 的协方差,记为Cov(X,Y)，即： 协方差定义 而当 方差 D(X)0,D(Y)0 时称下式为相关系数，记作 ρXY 。 协方差计算公式 证明：将协方差的定义展开并用期望的性质可得。 Cov(X,Y)=E{[ X-E(X)][Y-E(Y) ]} =E(XY)-E(X)E(Y)-E(Y)E(X)+E(X)E(Y) =E(XY)-E(X)E(Y) 方差与协方差的关系 证明：将方差的定义展开并用期望的性质可得。 例1 已知二维随机变量 X,Y 的联合分布律为: 求X,Y的协方差与相关系数。 0.12 0.18 0.10 1 0.18 0.12 0.3 -1 1 0 -2 X Y 解：先求边缘分布律： 0.4 0.6 Pk 1 -1 X 0.3 0 0.3 0.4 Pk 1 -2 Y X与Y 的协方差为: 下面求X,Y 的方差: X与Y 的相互关系数为: 例2 已知X,Y的概率密度,求协方差与相关系数。 解： 为求相关系数先求方差： 协方差的性质 (5)若X，Y相互独立，则 相关系数的性质 证: 由方差的性质和协方差的定义知,对任意实数b有 令 ，则上式为 (2) 当X和Y 独立时ρ=0. 由于当X和Y 独立时，Cov(X,Y)= 0，故 = 0 定义：若X，Y的相关系数ρ=0，则称X，Y不相关。 显然若X与Y 独立，则X与Y 不相关，但是不相关的X，Y却不一定独立。后面要举例子说明。 我们不证明这个结论。（见教材） (3) |ρ|=1的充要条件是X 和Y 以概率1线性相关即： |ρ|的值越接近于1, Y 与X 的线性相关程度越高;否则越弱。 若0|ρ|1则 Y 与X 不是线性相关的，可能是其它关系。 例2 已知X,Y的服从二维正态分布,并且X服从N(1,9)，Y服从N(0,16)，而且X，Y的相关系数为-0.5，令Z=X/3+Y/2，求Z的期望与方差，以及X与Z的相关系数。课本P111 解： X与Z的协方差为： 例题：若二维随机变量(X，Y)服从正态分布， 试证X、Y 相互独立的充分必要条件是ρ=0。 。 证:　 边缘分布密度为：　 随机变量X,Y的相关系数为： 因此二维正态型X，Y独立等价于不相关。 若(X,Y)具有二维正态分布 N(0,0,1,1,ρ), 以下画出 取几个不同ρ值时(X,Y)的密度函数曲面三维图象: ρ=0值时(X,Y)的密度函数图 ρ=0.2值时(X,Y)的密度函数图 ρ=0.5值时(X,Y)的密度函数图 ρ=0.8值时(X,Y)的密度函数图 ρ=0.9时(X,Y)的密度函数图 作图代码： function bbb mu1=0;mu2=0; sigma1=1;sigma2=1; rou=0.9; [x,y]=meshgrid(-4:0.1:4); z=f(x,y,mu1,mu2,sigma1,sigma2,rou); mesh(x,y,z); function z=f(x,y,mu1,mu2,sigma1,sigma2,rou) z=zeros(size(x)); z1=(x-mu1).^2/sigma1^2-2*rou*(x-mu1).*(y-mu2)/(sigma1*sigma2)+(y-mu2).^2/sigma2^2; z2=-1/(2*(1-rou^2))*(z1); z=1/(2*pi*sigma1*sigma2*sqrt(1-rou^2))*exp(z2);